
import pandas as pd
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors

from networkx.algorithms.community import greedy_modularity_communities
from collections import Counter

import random
import pickle

%matplotlib inline


airports = pd.read_csv("airports-extended.dat", # ここはファイルの置いてある場所に合わせて変える
                      names=[
                          "Airport ID",
                          "Name",
                          "City",
                          "Country",
                          "IATA",
                          "ICAO",
                          "Latitude",
                          "Longitude",
                          "Altitude",
                          "Timezone",
                          "DST",
                          "Tz database time zone",
                          "Type",
                          "Source"
                      ])


airports.head()


routes = pd.read_csv("routes.dat", # ここはファイルの置いてある場所に合わせて変える
                  names=[
                      "Airline",
                      "Airline ID",
                      "Source airport",
                      "Source airport ID",
                      "Destination airport",
                      "Destination airport ID",
                      "Codeshare",
                      "Stops",
                      "Equipment"
                  ])


routes.head()


# ネットワークの作成
G = nx.from_pandas_edgelist(df=routes, source="Source airport", target="Destination airport", create_using=nx.Graph)


# 緯度・経度の情報を airports データフレームから取得する
pos = {data["IATA"]: (data["Longitude"], data["Latitude"]) for index, data in airports.iterrows()}


# posの中身を5個だけ見てみる
for k, v in list(pos.items())[:5]:
    print(k, v)

GKA (145.391998291, -6.081689834590001)
MAG (145.789001465, -5.20707988739)
HGU (144.29600524902344, -5.826789855957031)
LAE (146.725977, -6.569803)
POM (147.22000122070312, -9.44338035583496)


# 緯度・経度情報を用いて描画
fig = plt.figure()
ax = fig.add_subplot(111)

nx.draw(G, pos, ax)
plt.show()

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
~/.anyenv/envs/pyenv/versions/miniforge3-4.9.2/lib/python3.9/site-packages/networkx/drawing/nx_pylab.py in draw_networkx_nodes(G, pos, nodelist, node_size, node_color, node_shape, alpha, cmap, vmin, vmax, ax, linewidths, edgecolors, label)
    455     try:
--> 456         xy = np.asarray([pos[v] for v in nodelist])
    457     except KeyError as e:

~/.anyenv/envs/pyenv/versions/miniforge3-4.9.2/lib/python3.9/site-packages/networkx/drawing/nx_pylab.py in <listcomp>(.0)
    455     try:
--> 456         xy = np.asarray([pos[v] for v in nodelist])
    457     except KeyError as e:

KeyError: 'INC'

The above exception was the direct cause of the following exception:

NetworkXError                             Traceback (most recent call last)
<ipython-input-9-2cfa2fc01630> in <module>
      3 ax = fig.add_subplot(111)
      4 
----> 5 nx.draw(G, pos, ax)
      6 plt.show()

~/.anyenv/envs/pyenv/versions/miniforge3-4.9.2/lib/python3.9/site-packages/networkx/drawing/nx_pylab.py in draw(G, pos, ax, **kwds)
    121         kwds["with_labels"] = "labels" in kwds
    122 
--> 123     draw_networkx(G, pos=pos, ax=ax, **kwds)
    124     ax.set_axis_off()
    125     plt.draw_if_interactive()

~/.anyenv/envs/pyenv/versions/miniforge3-4.9.2/lib/python3.9/site-packages/networkx/drawing/nx_pylab.py in draw_networkx(G, pos, arrows, with_labels, **kwds)
    333         pos = nx.drawing.spring_layout(G)  # default to spring layout
    334 
--> 335     draw_networkx_nodes(G, pos, **node_kwds)
    336     draw_networkx_edges(G, pos, arrows=arrows, **edge_kwds)
    337     if with_labels:

~/.anyenv/envs/pyenv/versions/miniforge3-4.9.2/lib/python3.9/site-packages/networkx/drawing/nx_pylab.py in draw_networkx_nodes(G, pos, nodelist, node_size, node_color, node_shape, alpha, cmap, vmin, vmax, ax, linewidths, edgecolors, label)
    456         xy = np.asarray([pos[v] for v in nodelist])
    457     except KeyError as e:
--> 458         raise nx.NetworkXError(f"Node {e} has no position.") from e
    459     except ValueError as e:
    460         raise nx.NetworkXError("Bad value in node positions.") from e

NetworkXError: Node 'INC' has no position.


# ネットワーク G から、緯度・経度情報がある空港ノードのみを抽出したサブグラフを作成
G_plot = G.subgraph(pos.keys())


# あらためて描画
fig = plt.figure()
ax = fig.add_subplot(111)

nx.draw(G_plot, pos, ax)
plt.show()


# 見づらいので、いくつかパラメータを与えて少しだけ整える
fig = plt.figure(figsize=(15,7))
ax = fig.add_subplot(111)

nx.draw(G_plot, pos, ax, node_size=30, style=":")
plt.show()


# 基本統計量
print(nx.info(G))

Name: 
Type: Graph
Number of nodes: 3425
Number of edges: 19257
Average degree:  11.2450


# 次数分布
## 次数の集計
degree_list = [degree for name, degree in G.degree(G)]
degree_count = Counter(degree_list)

## 描画
fig = plt.figure(figsize=(8,8))
ax = fig.add_subplot(111)

ax.scatter(degree_count.keys(), degree_count.values())

ax.set_xlabel('degree')
ax.set_ylabel('frequency')

ax.set_xscale('log')
ax.set_yscale('log')


# 各接続成分の抽出
nx.connected_components(G)

<generator object connected_components at 0x13e711430>


# 各接続成分のノード数をチェック
for cc in nx.connected_components(G):
    print(len(cc))

3397
2
4
2
4
2
4
10


cc_list = list(nx.connected_components(G)) # 各connected componentsのノードセットをlist()で配列化する。


lcc_node_list = cc_list[0] # 最大接続成分(largest connected components)のノードセットを取り出す。


G_lcc = G.subgraph(lcc_node_list) # ノードセットを指定して、最大接続成分のサブグラフを元のネットワークから抽出する。


# 直径 (けっこう実行に時間がかかる)
nx.diameter(G_lcc)

13


# 平均パス長 (けっこう実行に時間がかかる)
nx.average_shortest_path_length(G_lcc)

4.103241167898093


n = len(G_lcc.nodes)
p = nx.density(G_lcc)
seed = 2021
G_rand = nx.erdos_renyi_graph(n, p, seed)


print("元データのノード数：", len(G_lcc.nodes))
print("ランダムのノード数：", len(G_rand.nodes))

元データのノード数： 3397
ランダムのノード数： 3397


print("元データのエッジ数", len(G_lcc.edges))
print("ランダムのエッジ数", len(G_rand.edges))

元データのエッジ数 19231
ランダムのエッジ数 19165


# ランダムグラフの直径

nx.diameter(G_rand)

6


# ランダムグラフの平均パス長

nx.average_shortest_path_length(G_rand)

3.625276303868202


# 次数中心性
degree_centralities = nx.degree_centrality(G)


# ネットワークのデータに追記する
nx.set_node_attributes(G, degree_centralities, "degree_centrality")


# 各空港データにも結合する
degree_centralities_df = pd.DataFrame(degree_centralities.items(), columns=["IATA", "degree_centrality"])
airports = pd.merge(airports, degree_centralities_df, on="IATA", how="left")


# 次数中心性の上位10個がどんな空港なのか調べる
airports.sort_values("degree_centrality", ascending=False).iloc[:10]


# 例によって緯度・経度のデータ(pos)がある空港データに絞る

G_plot = G.subgraph(pos.keys())


# centralityの値を描画するノードのサイズに利用するために抽出。 1000は適当（描画の見栄えがよくなるように）
node_size_list = [node_data["degree_centrality"] * 1000 for node_name, node_data in G_plot.nodes(data=True)]


# 描画
fig = plt.figure(figsize=(15,7))
ax = fig.add_subplot(111)

nx.draw(G_plot, pos, ax, node_size=node_size_list, style=":")
plt.show()


# 媒介中心性 少し実行に時間がかかる!
betweenness_centralities = nx.betweenness_centrality(G)


# ネットワークのデータに追記する
nx.set_node_attributes(G, betweenness_centralities, "betweenness_centrality")


# 各空港データにも結合する
betweenness_centralities_df = pd.DataFrame(betweenness_centralities.items(), columns=["IATA", "betweenness_centrality"])
airports = pd.merge(airports, betweenness_centralities_df, on="IATA", how="left")


# 媒介中心性の上位10個がどんな空港なのか調べる
airports.sort_values("betweenness_centrality", ascending=False).iloc[:10]


# 例によって緯度・経度のデータ(pos)がある空港データに絞る

G_plot = G.subgraph(pos.keys())


# centralityの値を描画するノードのサイズに利用するために抽出。 1000は適当（描画の見栄えがよくなるように）
node_size_list = [node_data["betweenness_centrality"] * 1000 for node_name, node_data in G_plot.nodes(data=True)]


# 描画
fig = plt.figure(figsize=(15,7))
ax = fig.add_subplot(111)

nx.draw(G_plot, pos, ax, node_size=node_size_list, style=":")
plt.show()


%%time

clusters = greedy_modularity_communities(G)

CPU times: user 4.54 s, sys: 12.9 ms, total: 4.56 s
Wall time: 4.55 s


# 中身の確認

for cluster_id, node_set in enumerate(clusters):
    print(cluster_id, list(node_set)[:5])

0 ['KHH', 'PYY', 'LBS', 'SUG', 'LST']
1 ['YVR', 'OCC', 'MSL', 'SHV', 'CYB']
2 ['MHQ', 'WAW', 'TGP', 'TFS', 'ISU']
3 ['HCR', 'NUP', 'VDZ', 'AKP', 'MNT']
4 ['CBT', 'TNR', 'BKY', 'LUD', 'KAA']
5 ['YPY', 'YYY', 'YBC', 'YCB', 'YEV']
6 ['TQI', 'TQA', 'JUK', 'JUU', 'QOQ']
7 ['SCZ', 'IRA', 'FRE', 'DLY', 'TAH']
8 ['YNO', 'YTS', 'KEW', 'YAX', 'YHD']
9 ['UAP', 'IPC', 'XMH', 'RKA', 'MAU']
10 ['BYC', 'CIJ', 'UYU', 'JUL', 'RBQ']
11 ['BUA', 'VAI', 'LSA', 'KVG', 'RAB']
12 ['CKH', 'ODO', 'BQS', 'MJZ', 'YKS']
13 ['CHX', 'BOC', 'SIC', 'PYC', 'OGM']
14 ['SXK', 'OKL', 'SOQ', 'BIK', 'MKQ']
15 ['NVK', 'MQN', 'SKN', 'BOO', 'SSJ']
16 ['SVK', 'SQS', 'ORZ', 'SPR', 'TZA']
17 ['HVG', 'SOJ', 'BVG', 'LKL', 'HFT']
18 ['BMY', 'LIF', 'UVE', 'ILP', 'TGJ']
19 ['NNM', 'CSH', 'VKT', 'UTS', 'KVX']
20 ['ELG', 'TMR', 'OGX', 'DJG', 'INZ']
21 ['FBS', 'LPS', 'YWH', 'RCE', 'CXH']
22 ['EOI', 'NDY', 'NRL', 'WRY', 'SOY']
23 ['ITB', 'MTE', 'STM', 'ORX', 'MEU']
24 ['HOR', 'CVU', 'GRW', 'FLW', 'TER']
25 ['INU', 'KSA', 'MAJ', 'TRW', 'PNI']
26 ['TCD', 'LPD', 'ACR', 'LET', 'SVI']
27 ['YDP', 'YNP', 'YHO', 'YRG', 'YMN']
28 ['ERN', 'SJL', 'OLC', 'TFF', 'IRZ']
29 ['WNR', 'ULP', 'BVI', 'BQL', 'BEU']
30 ['KQA', 'IKO', 'AKB', 'DUT']
31 ['ESD', 'BFI', 'CLM', 'FRD']
32 ['BUC', 'ONG', 'DMD', 'NTN']
33 ['AZI', 'ZDY', 'FJR', 'XSB']
34 ['STZ', 'SXO', 'MQH', 'GRP']
35 ['OND', 'ERS', 'MPA', 'NDU']
36 ['TVY', 'MGZ', 'KAW']
37 ['HFA', 'ETH', 'SDV']
38 ['CMA', 'SGO', 'XTG']
39 ['CMP', 'CDJ', 'RDC']
40 ['PTJ', 'MEB', 'FLS']
41 ['MNG', 'MGT', 'ELC']
42 ['BTC', 'GIU', 'TRR']
43 ['AJR', 'LYC']
44 ['VHM', 'HMV']
45 ['SSB', 'SPB']
46 ['GCW', 'BLD']
47 ['ABS', 'ASW']
48 ['CKX', 'TKJ']


# clusters リストの内容を、 {(ノード名): (クラスタid)} の形式になるよう変換

node_cluster_dict = {}
for cluster_id, node_list in enumerate(clusters):
    for node_name in node_list:
        node_cluster_dict[node_name] = cluster_id


# 各ノードに cluster情報を付与

nx.set_node_attributes(G, node_cluster_dict, "cluster")


# 例によって緯度・経度のデータ(pos)がある空港データに絞る

G_plot = G_lcc.subgraph(pos.keys())


# 各クラスタに別々の色を付けたリスト（node_color_list）を作成 : わかりやすく色分けするため

color_list = list(mcolors.CSS4_COLORS.values()) # matplotlibの色一覧から色を抽出して、各クラスタに付与する色を取得
node_color_list = [color_list[node_data["cluster"]] for node_name, node_data in G_plot.nodes(data=True)]


# 各クラスタの中心座標を求める(ラベル付けのため)
cluster_pos = []

for cluster_nodes in clusters:
    cluster_pos.append(airports[airports["IATA"].isin(cluster_nodes)][["Longitude", "Latitude"]].mean().values)


# 描画
fig = plt.figure(figsize=(15,7))
ax = fig.add_subplot(111)

## ネットワークの描画
nx.draw(G_plot, pos, ax, node_size=30, node_color=node_color_list, style=":")

## クラスタ番号の描画
for cluster_id, cluster_xy in enumerate(cluster_pos):
    ax.annotate(
        cluster_id,
        xy=cluster_xy, 
        fontsize=10, 
        color='k', 
        bbox={'facecolor': color_list[cluster_id], 'edgecolor':'k', 'alpha':0.8}
    )

plt.show()


# 平均、標準偏差を求めるのでインポート
from statistics import mean, stdev


# 各ノードの Within-module degree を求める
within_module_degree_dict = {}

for cluster_nodes in clusters:
    G_cluster_sub = G.subgraph(cluster_nodes)
    cluster_degrees = [degree for node_name, degree in G_cluster_sub.degree()]
    degree_mean = mean(cluster_degrees)
    degree_stdev = stdev(cluster_degrees)
    
    # 全ノードの次数が等しい場合には、標準偏差が0になり割り算でエラーが出るので、割らずに0を入れる
    if degree_stdev == 0: 
        for node in cluster_nodes:
            within_module_degree_dict[node] = 0
        continue
    
    for node in cluster_nodes:
        within_module_degree_dict[node] = (G_cluster_sub.degree(node) - degree_mean) / degree_stdev


# Within-module degree 情報をネットワークに付与
nx.set_node_attributes(G, within_module_degree_dict, "within_module_degree")


# 各ノードの Participation coefficient を求める
participation_coefficient_dict = {}

for node in G.nodes:
    node_p = 1
    node_degree = G.degree(node)
    node_neighbors = set(G.neighbors(node))
    for cluster_nodes in clusters:
        node_p -= (len(node_neighbors & cluster_nodes) / node_degree) ** 2
    
    participation_coefficient_dict[node] = node_p


# Participation coefficient 情報をネットワークに付与
nx.set_node_attributes(G, participation_coefficient_dict, "participation_coefficient")


# 各ノードの役割(R1 ~ R7)を求める
node_part_dict = {}

for node_name, node_data in G.nodes(data=True):
    if node_data["within_module_degree"] < 2.5:
        if node_data["participation_coefficient"] < 0.05:
            node_part_dict[node_name] = "R1"
        elif node_data["participation_coefficient"] < 0.625:
            node_part_dict[node_name] = "R2"
        elif node_data["participation_coefficient"] < 0.8:
            node_part_dict[node_name] = "R3"
        else:
            node_part_dict[node_name] = "R4"
    else:
        if node_data["participation_coefficient"] < 0.3:
            node_part_dict[node_name] = "R5"
        elif node_data["participation_coefficient"] < 0.75:
            node_part_dict[node_name] = "R6"
        else:
            node_part_dict[node_name] = "R7"


# 各ノードの役割をネットワークに付与
nx.set_node_attributes(G, node_part_dict, "node_part")


# 各役割のノードがどのくらいあるか
Counter(node_part_dict.values())

Counter({'R1': 2831, 'R2': 457, 'R5': 85, 'R3': 16, 'R6': 36})


# ハブノードは色や大きさを変えて見やすくする

part_color_dict = {
    "R1": "gray",
    "R2": "blue",
    "R3": "green",
    "R5": "orange",
    "R6": "red"
}

part_size_dict = {
    "R1": 2,
    "R2": 5,
    "R3": 20,
    "R5": 50,
    "R6": 100
}

node_color_list = [part_color_dict[node_data["node_part"]] for node_name, node_data in G_plot.nodes(data=True)]
node_size_list = [part_size_dict[node_data["node_part"]] for node_name, node_data in G_plot.nodes(data=True)]


# 描画
fig = plt.figure(figsize=(15,7))
ax = fig.add_subplot(111)

## ネットワークの描画
nx.draw(G_plot, pos, ax, node_size=node_size_list, node_color=node_color_list, style=":")
plt.show()


# Infomapパッケージが読み込める形のファイルを出力。

nx.write_pajek(G, "routes.net")


# コミュニティ検出結果の読み込み

with open("modules.pickle", "rb") as f:
    modules = pickle.load(f)


# 各ノードに付与するために{(ノード名): (クラスタid)} の形式になるよう変換

node_cluster_dict_infomap = {}
for node_name, module in zip(G.nodes, modules):
    node_cluster_dict_infomap[node_name] = module


# 各ノードに cluster情報を付与

nx.set_node_attributes(G, node_cluster_dict_infomap, "cluster_infomap")


# 例によって緯度・経度のデータ(pos)がある空港データに絞る

G_plot = G.subgraph(pos.keys())


# 各クラスタに別々の色を付けたリスト（node_color_list）を作成 : わかりやすく色分けするため

color_list = list(mcolors.CSS4_COLORS.values())
node_color_list = [color_list[node_data["cluster_infomap"]] for node_name, node_data in G_plot.nodes(data=True)]


# 各コミュニティの中心座標を求める(ラベル付けのため)
cluster_pos = []


# コミュニティが13個あることを確認
Counter(modules)

Counter({1: 1993,
         3: 218,
         2: 914,
         4: 183,
         6: 37,
         11: 2,
         5: 52,
         10: 4,
         12: 2,
         8: 4,
         13: 2,
         9: 4,
         7: 10})


# 13個の各コミュニティの中心座標を集計

for cluster_id in range(1, 14):
    node_cluster_filtered = list(filter(lambda x: x[1] == cluster_id, node_cluster_dict_infomap.items()))
    cluster_nodes = set(map(lambda x: x[0], node_cluster_filtered))
    cluster_pos.append(airports[airports["IATA"].isin(cluster_nodes)][["Longitude", "Latitude"]].mean().values)


# 描画
fig = plt.figure(figsize=(15,7))
ax = fig.add_subplot(111)

## ネットワークの描画
nx.draw(G_plot, pos, ax, node_size=30, node_color=node_color_list, style=":")

## クラスタ番号の描画
for i, cluster_xy in enumerate(cluster_pos):
    cluster_id = i + 1 # クラスタ番号が1始まりになっているため、合わせる
    ax.annotate(
        cluster_id,
        xy=cluster_xy, 
        fontsize=10, 
        color='k', 
        bbox={'facecolor': color_list[cluster_id], 'edgecolor':'k', 'alpha':0.8}
    )

plt.show()

	Airline	Airline ID	Source airport	Source airport ID	Destination airport	Destination airport ID	Codeshare	Equipment
0	2B	410	AER	2965	KZN	2990	NaN	CR2
1	2B	410	ASF	2966	KZN	2990	NaN	CR2
2	2B	410	ASF	2966	MRV	2962	NaN	CR2
3	2B	410	CEK	2968	KZN	2990	NaN	CR2
4	2B	410	CEK	2968	OVB	4078	NaN	CR2

	Airport ID	Name	City	Country	IATA	ICAO	Latitude	Longitude	Altitude	Timezone	DST	Tz database time zone	Type	Source	degree_centrality
574	580	Amsterdam Airport Schiphol	Amsterdam	Netherlands	AMS	EHAM	52.308601	4.763890	-11	1	E	Europe/Amsterdam	airport	OurAirports	0.072430
336	340	Frankfurt am Main Airport	Frankfurt	Germany	FRA	EDDF	50.033333	8.570556	364	1	E	Europe/Berlin	airport	OurAirports	0.071262
1350	1382	Charles de Gaulle International Airport	Paris	France	CDG	LFPG	49.012798	2.550000	392	1	E	Europe/Paris	airport	OurAirports	0.070093
12253	13696	Istanbul Airport	Istanbul	Turkey	IST	LTFM	41.275278	28.751944	325	3	E	\N	airport	OurAirports	0.068925
3494	3682	Hartsfield Jackson Atlanta International Airport	Atlanta	United States	ATL	KATL	33.636700	-84.428101	1026	-5	A	America/New_York	airport	OurAirports	0.063376
3181	3364	Beijing Capital International Airport	Beijing	China	PEK	ZBAA	40.080101	116.584999	116	8	U	Asia/Shanghai	airport	OurAirports	0.060456
3642	3830	Chicago O'Hare International Airport	Chicago	United States	ORD	KORD	41.978600	-87.904800	672	-6	A	America/Chicago	airport	OurAirports	0.060164
342	346	Munich Airport	Munich	Germany	MUC	EDDM	48.353802	11.786100	1487	1	E	Europe/Berlin	airport	OurAirports	0.056075
3830	4029	Domodedovo International Airport	Moscow	Russia	DME	UUDD	55.408798	37.906300	588	3	N	Europe/Moscow	airport	OurAirports	0.055491
2106	2188	Dubai International Airport	Dubai	United Arab Emirates	DXB	OMDB	25.252800	55.364399	62	4	U	Asia/Dubai	airport	OurAirports	0.054907

	Airport ID	Name	City	Country	IATA	ICAO	Latitude	Longitude	Altitude	Timezone	DST	Tz database time zone	Type	Source	degree_centrality	betweenness_centrality
3586	3774	Ted Stevens Anchorage International Airport	Anchorage	United States	ANC	PANC	61.174400	-149.996002	152	-9	A	America/Anchorage	airport	OurAirports	0.009930	0.072483
3296	3484	Los Angeles International Airport	Los Angeles	United States	LAX	KLAX	33.942501	-118.407997	125	-8	A	America/Los_Angeles	airport	OurAirports	0.043516	0.065208
1350	1382	Charles de Gaulle International Airport	Paris	France	CDG	LFPG	49.012798	2.550000	392	1	E	Europe/Paris	airport	OurAirports	0.070093	0.061936
2106	2188	Dubai International Airport	Dubai	United Arab Emirates	DXB	OMDB	25.252800	55.364399	62	4	U	Asia/Dubai	airport	OurAirports	0.054907	0.056488
336	340	Frankfurt am Main Airport	Frankfurt	Germany	FRA	EDDF	50.033333	8.570556	364	1	E	Europe/Berlin	airport	OurAirports	0.071262	0.051086
3181	3364	Beijing Capital International Airport	Beijing	China	PEK	ZBAA	40.080101	116.584999	116	8	U	Asia/Shanghai	airport	OurAirports	0.060456	0.049569
574	580	Amsterdam Airport Schiphol	Amsterdam	Netherlands	AMS	EHAM	52.308601	4.763890	-11	1	E	Europe/Amsterdam	airport	OurAirports	0.072430	0.049262
3389	3577	Seattle Tacoma International Airport	Seattle	United States	SEA	KSEA	47.449001	-122.308998	433	-8	A	America/Los_Angeles	airport	OurAirports	0.027453	0.048108
3642	3830	Chicago O'Hare International Airport	Chicago	United States	ORD	KORD	41.978600	-87.904800	672	-6	A	America/Chicago	airport	OurAirports	0.060164	0.047940
191	193	Lester B. Pearson International Airport	Toronto	Canada	YYZ	CYYZ	43.677200	-79.630600	569	-5	A	America/Toronto	airport	OurAirports	0.042932	0.042651

ネットワーク分析：OpenFlightsデータセットの分析¶

下準備¶

Q1. `airports-extended.dat`, `routes.dat`の中身を確認する。¶

データ読み込み¶

Q2. `airports-extended.dat`, `routes.dat` をpandasのdataframeとして読み込む。¶

ネットワークを作る¶

Q3. 各空港をノード、空港間を結ぶ路線をエッジとしたネットワークを作成する。¶

ネットワークを描画する¶

Q4. 各空港データに存在する緯度・経度のデータを用いて、航空網ネットワークを描画する。¶

ネットワークの性質を調べる¶

Q5. 航空網ネットワークの次数分布を描画する。¶

Q6. ネットワークの接続成分(connected components)、最大接続成分(largest connected component)を抽出する¶

Q7. 最大接続成分の直径・平均パス長を求める¶

Q8. 最大接続成分の直径・平均パス長をErdős–Rényi modelのランダムグラフと比較する¶

ネットワークの中心性分析を行う¶

Q9. 各空港ノードの次数中心性・媒介中心性を求める¶

次数中心性¶

媒介中心性¶

他の中心性¶

ネットワークのコミュニティ検出（クラスタリング）を行う¶

Q10. 貪欲法を用いたmodularityの最大化によってコミュニティを検出する¶

Q11. どのようにクラスタリングされているか知るために、各クラスタに色をつけて描画する¶

Q12. Functional Cartographyを用いて、各ノードの役割を分類する¶

Functional Cartographyの説明¶

具体的な手法¶

Within-module degree : z¶

Participation coefficient : P¶

Q13. （おまけ）Infomap法でコミュニティ検出を行う¶

	Airport ID	Name	City	Country	IATA	ICAO	Latitude	Longitude	Altitude	Timezone	DST	Tz database time zone	Type	Source
0	1	Goroka Airport	Goroka	Papua New Guinea	GKA	AYGA	-6.081690	145.391998	5282	10	U	Pacific/Port_Moresby	airport	OurAirports
1	2	Madang Airport	Madang	Papua New Guinea	MAG	AYMD	-5.207080	145.789001	20	10	U	Pacific/Port_Moresby	airport	OurAirports
2	3	Mount Hagen Kagamuga Airport	Mount Hagen	Papua New Guinea	HGU	AYMH	-5.826790	144.296005	5388	10	U	Pacific/Port_Moresby	airport	OurAirports
3	4	Nadzab Airport	Nadzab	Papua New Guinea	LAE	AYNZ	-6.569803	146.725977	239	10	U	Pacific/Port_Moresby	airport	OurAirports
4	5	Port Moresby Jacksons International Airport	Port Moresby	Papua New Guinea	POM	AYPY	-9.443380	147.220001	146	10	U	Pacific/Port_Moresby	airport	OurAirports

ネットワーク分析：OpenFlightsデータセットの分析¶

下準備¶

Q1. airports-extended.dat, routes.datの中身を確認する。¶

データ読み込み¶

Q2. airports-extended.dat, routes.dat をpandasのdataframeとして読み込む。¶

ネットワークを作る¶

Q3. 各空港をノード、空港間を結ぶ路線をエッジとしたネットワークを作成する。¶

ネットワークを描画する¶

Q4. 各空港データに存在する緯度・経度のデータを用いて、航空網ネットワークを描画する。¶

ネットワークの性質を調べる¶

Q5. 航空網ネットワークの次数分布を描画する。¶

Q6. ネットワークの接続成分(connected components)、最大接続成分(largest connected component)を抽出する¶

Q7. 最大接続成分の直径・平均パス長を求める¶

Q8. 最大接続成分の直径・平均パス長をErdős–Rényi modelのランダムグラフと比較する¶

ネットワークの中心性分析を行う¶

Q9. 各空港ノードの次数中心性・媒介中心性を求める¶

次数中心性¶

媒介中心性¶

他の中心性¶

ネットワークのコミュニティ検出（クラスタリング）を行う¶

Q10. 貪欲法を用いたmodularityの最大化によってコミュニティを検出する¶

Q11. どのようにクラスタリングされているか知るために、各クラスタに色をつけて描画する¶

Q12. Functional Cartographyを用いて、各ノードの役割を分類する¶

Functional Cartographyの説明¶

具体的な手法¶

Within-module degree : z¶

Participation coefficient : P¶

Q13. （おまけ）Infomap法でコミュニティ検出を行う¶

Q1. `airports-extended.dat`, `routes.dat`の中身を確認する。¶

Q2. `airports-extended.dat`, `routes.dat` をpandasのdataframeとして読み込む。¶